Analiza rentowności spółki z wykorzystaniem głębokich technik uczenia sztucznych sieci neuronowych

• Autorzy: Grosicki M.

Warianty tytułu

EN

Analysis of company's profitability with deep learning methods for artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Analiza rentowności spółki jest istotnym zagadnieniem z punktu widzenia każdego przedsiębiorstwa. Poniższa praca proponuje model oparty o sztuczne sieci neuronowe trenowane z wykorzystaniem głębokich technik uczenia takich jak autoenkodery neuronowe. W pracy opisany został proces uczenia tego typu sieci. Zaproponowany model został przetestowany z wykorzystaniem zbioru danych składającego się z różnych wskaźników finansowych 500. francuskich spółek (250 rentownych i 250 zbankrutowanych) z różnych branż zebranych w 2002 roku. Uzyskana dokładność na poziomie 92% potwierdza przydatność oraz zasadność tak opracowanego modelu. Główną zaletą proponowanego rozwiązania jest jego relatywna prostota (dzięki oparciu go o dobrze znany model wielowarstwowego perceptrona) oraz szybkość działania wyuczonego już modelu.

EN

Analysis of company's profitability is very important task from the point of view of any firm. The following paper proposes model based on artificial neural networks trained with deep learning methods such as neural autoencoders. In this work learning process is described. Proposed model was tested with data set, collected in 2002, comprised of various financial ratios of 500 French companies (250 profitable and 250 bankrupt) from various different industries. Achieved accuracy of 92% confirms usefulness and validity of the proposed model. The main advantage of the proposed model is its relative simplicity (thanks to the fact it is based on well known multilayer perceptron model) and working speed of trained model.

Słowa kluczowe

PL

spółka; rentowność; bankructwo; sieci neuronowe

EN

company; profitability; bankruptcy; neural networks

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 2224--2230
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., pełen tekst na CD

Twórcy

autor

Grosicki M.

• Politechnika Świętokrzyska, Wydział Elektrotechniki, Automatyki i Informatyki, al. Tysiąclecia Państwa Polskiego 7 25-314 Kielce

Bibliografia

• 1. Back B., Oosterom G., Sere K., van Wezel M., A Comparative Study of Neural Networks in Bankruptcy Prediction, Multiple Paradigms for Artificial Intelligence (STeP94), Finnish Artificial Intelligence Society 1994.
• 2. Bengio Y., Learning Deep Architectures for AI, Foundations and Trends in a Machine Learning, Styczeń 2009
• 3. Grosicki M., Application of artificial neural networks to facial expression recognition, Forum Innowacji Młodych Badaczy 2012, ISSN 2082-4831
• 4. Hinton G. E., Osindero S., Teh Y.-W., A fast learning algorithm for deep belief nets, Neural Computations Vol. 18, No. 7., Lipiec 2006
• 5. Kainulainen L. Miche Y., Eirola E., Yu Q., Frenay B., Severin E., Lendasse A., Ensembles of Locally Linear Models: Application to Bankruptcy Prediction
• 6. Lee H., Largman Y., Pham P., Ng A.Y., Unsupervised feature learning for audio classification using convolutional deep belief networks, NIPS 2009
• 7. Nagi, J., Ducatelle, F., Di Caro, G.A., Ciresan, D., Meier, U., Giusti, A., Nagi, F., Schmidhuber, J., Gambardella, L.M., Max-pooling convolutional neural networks for vision-based hand gesture recognition, IEEE International Conference on Signal and Image Processing Applications (ICSIPA) 2011
• 8. Smolensky P., Information processing in dynamical systems: foundations of harmony theory, Cambridge 1986
• 9. Vincent P., Larochelle H., Bengio Y., Manzagol P-A., Extracting and Composing Robust Features with Denoising Autoencoders
• 10. Vincent P., Larochelle H., Lajoie I., Bengio Y., Manzagol P.-A., Stacked denoising autoen-coders: Learning useful representations in a deep network with a local denoising criterion. Journal of Machine Learning Research nr 11
• 11.Yu. Q, Lendasse A., Severin E., Ensemble of KNNs for Bankruptcy Prediction, International Conference on Computing in Economics and Finance. 2009
• 12.Yu. Q, Miche Y., Lendasse A., Severin E., Bankruptcy Prediction with Missing Data, The International Conference on Data Mining 2011